基于MATLAB的人工神经网络水质预测模型探析_邹劲松
10/2012
色的园林意境。
4.4 水生植物区
主要向游人展示独特的水生植物景
观，由热带雨林引来的水源以丰富的水景
系列及其延伸出来的景观湿地作为景观塑
造主体，展现出水生植物原生态自然景
观。亲水平台让人们更亲近植物、湿地栈
道腾空而起，跨域水景区和湿地，让人们
能够多角度观赏到水下植物、浮水植物、
挺水植物以及各种藻、蕨、蒲等植物风
采。悠然的风车设计增添该景区的田园风
格，又为送上一缕乡土情结勾忆起人们的
童年梦想。另外水的循环利用和水生植物
净化作用也是该展区的展示重点。
4.5 荫生植物区
位于热带雨林区假山背后，以人工
山体作为自然划分，以“绿”作为展示
主题。主要展示藤本、蕨类等植物生长
特点。种植结合场地起伏和石景布置形
成开合变化，垂直立面绿化效果丰富的
自然植物群落景观。
4.6 沙生植物园区
该区主要体现沙生植物顽强的生命
特色，在该区内建造人工沙丘，放置风
化岩石和异国景观小品，种植多肉多浆
植物以及耐贫瘠植物，如仙人掌、龙舌
兰、骆驼刺等，让游人能够在此展区体
会到粗狂豪放的沙漠景观。
5.结语
秦岭国家植物园温室馆景观设计始
终以植物的生长特性和植物的艺术造景
为重点，以创造复合植物群落和实现生
物多样性为目的，考虑到节约能源、景
观的可持续发展，尽可能在有限场地内
结合造景技术创造丰富的景观空间，使
游人感受植物生命气息的同时更能体会
到世外桃源般的温室环境效果。
参考文献：
[1]余树勋.植物园今昔谈[J].中国园林,2010(01):01-03.
[2]克里斯朵夫?瓦伦丁,丁一巨.上海辰山植物园规划与
设计[J].中国园林,2010(01):04-09.
[3]余树勋.植物园规划与设计[M].天津:天津大学出版社,2000.
作者简介：王洁（1981—），风景园林硕士，西安外事
学院讲师，研究方向：环境艺术设计。
基于MATLAB的人工神经网络水质预测模型探析
邹劲松 徐伟刚 重庆水利电力职业技术学院
【摘要】随着我国工业化以及城镇化进程加快，环境污染日益严重，对人体健康、生态安全以及生产生活构成重要影响。为了有效监控水质变化情况，水质预测模型的研究与应用显得尤为重要，本文专门就基于人工神经网络水质预测模型进行了探讨。
【关键词】ANN；水质评价；水质预测；MATLAB
1.引言
人工神经网络ANN（Artifical Neural
Networts）的概念来源于生物神经网络。
在ANN中，记忆的信息存贮在连接权上，外
部刺激通过连接通道自动激活相应的神经
元，以达到自动识别的目的[1]。因而，
它是与现代计算机完全不同的系统。
ANN模拟生物体中神经网络的某些结构
和功能，并反过来用于其它领域。人工
神经网络从拓扑上看成是以处理单元PE
（Processing element）为节点，用
加权有向弧连结而成的有向图，其模
型较多，然而各有用途，如AG模型主要
用于数据分类；SG模型用于信息处理；
BAM模型用于图象处理；BP模型用于分
类等[2]。
2.人工神经网络预测模型建立
神经网络模型一般很少有成型的规
律可以遵循，也很少有成文的经验可以
借鉴，通常都是模型建立者通过多次的
试验，对模型进行反复训练，测试来确
定最终的模型结构。建模工作主要从以
下几个方面开展。
（1）确定网络模型中输入、输出变
量个数。
（2）选择神经元的连接方式，是前
馈网络还是反馈网络。
（3）定义网络的拓扑结构：单隐层
或多隐层，以及隐层神经元数目。
（4）选择训练算法：标准的误差反
向传播算法、附加动量-自适应学习速率
相结合的梯度下降法、弹性算法、BGFS
准牛顿算法[4]；LM算法等。
具有一定相关性的输入和输出水质
参数都可以通过调节网络模型的内部结
构和参数而找到一个合适的网络模型结
构连接输入与输出。在该模型中，通过
改变隐含层神经元的个数、隐含层和输
出层的神经元传递函数、选择合适的学
习算法等使建立的模型达到预定的误差
要求（见图1）。
近些年，神经网络技术在水质预测中
广泛应用，其中应用较多的是BP网络[3-4]。
本文所建立的网络模型结构如图1所示，是
具有单隐层的BP神经网络，其中R是输入
层，S1是隐含层，S2是输出层，IW1.1表
示输入层2.112权值矩阵，LW表示隐含层
到输出层的权值矩阵，b、b分别表示隐
含层、输出层网络阈值矢量，f1、f2分
别表示隐含层、输出层的神经元传递函
数。理论已经证明，具有如图1所示结构
的BP神经网络，当隐层神经元数目足够
多时，可以以任意精度逼近任何一个具
有有限间断点的非线性函数[5-6]。
在图2中，设输入和输出变量都是水
质参数，输入变量是影响输出变量的影
响因子，输出变量是预测对象，假设输
图1 具有单隐层的BP神经网络
10/2012
41
出层第j个神经元在时刻t的实际输出为
y j (t)，希望输出为d j (t)，则时刻t网络的误差函数E(t)定义为：
q为输出层S 2的神经元数。当E(t)≤ε(ε为预先给定的误差)时，网络停止训练，此时的网络模型就是所需的。具有一定相关性的输入和输出水质参数都可以通过调节网络模型的内部结构和参数而找到一个合适的网络模型结构连接输入与输出。在该模型中，通过改变隐含层神经元的个数、隐含层和输出层的神经元传递函数、选择合适的学习算法等使建立的模型达到预定的误差要求。对于不同结构的模型，均需要依附于训练集，对模型进行网络训练和测试，从而找到合适的网络模型。将检测到的已知水质数据作为模型输入和输出的训练集，训练好的网络模型经仿真，其误差在允许范围内后，就可以应用到实际的水质预测中。
3.应用MATLAB建立网络模型
MATLAB是美国Mathworks公司1982年推出的数学软件，它具有强大的数值计算能力和优秀的数据可视化能力。本文应用MATLAB的GUI功能实现建模与仿真[3]。模型规模较大，不便于训练，也会降低网络的性能，并且理论已经证明，具有单隐层的BP神经网络模型，当隐层神经元数目足够多时，可以以任意精度逼近任何一个具有有限间断点的非线性函数，因此本文建立的是单隐层BP神经网络。由于影响因子共有6项，因此模型输入有6个变量，预测对象是连续3日的COD Mn ，即输出为3个变量。对于隐含层神经元个数的确定，虽然有很多文献介绍了一些方法，但这些方法只是一些经验方法，并不具有权威性，并且针对不同水域、不同情况的预测模型，即使输入、输出变量相同，当达到最佳预测效果时，其隐含层神经元个数都不一定是相同的，因此本文根据经验，隐含层分别从10—20个选值，同时在选择隐含层神经元传递函数时，分别选用LOGSIG和TANSIG函数。BP网络最后一层神经元的特性决定了整个神经网络的输出特性。当最后一层神经元采用Sigmoid型函数，那么整个网络的输出就被限制在一个较小的范围内；如果最后一层神经元采用PURELIN型
函数，则整个网络输出可以取任意值，因此本文选择输出层的神经元传递函数为PURELIN。
原始的B P 算法是梯度下降法，这种方法由于是线性收敛，速度很慢。LM 算法是对于BP算法的改进，由于它利用了近似的二阶导数信息，它比原始的BP 算法快得多，因此网络模型中采用LM算法。在确定好上述参数和函数后，应用MATLAB的GUI工具建立网络模型。图2是建立的网络模型之一。
输入和输出采用训练集数据，其中训练子集有825组数据，验证集有80组数据。因为隐含层神经元个数分别选择从11到20，神经元传递函数分别选择LOGSIG和TANSIG函数，这样就根据隐含层神经元个数和传递函数的不同建立20种模型，模型建立好以后就可以根据训练集数据进行训练。
4.值的选取
本文采用前文第三章聚类分析法中的研究结果，即把得到的聚类中心点作为模型的初始权值，因为聚类中心点是根据各个水质参数的实际分布情况经过综合计算得到的数据中心点，因此可以很好的代表各水质数据的分布情况，这样就可以很大程度的减少初始权值的盲目性和随机性。聚类中心点作为初始权值的应用将在下节详细介绍。
5.推广能力的提高
推广能力是衡量神经网络性能好坏的重要标志。一个“过度训练”的神经网络可能会对训练样本集达到较高的匹配效果，但对于一个新的输入样本矢量却可能会产生于目标矢量差别很大的输出，即神经网络不具有或具有较差的推广能力。为了提高网络的推广能力，本文采用提前停止法，它可以有效
地提高网络的推广能力。提前停止法是将训练集在训练之前划分为训练子集和验证集。训练子集用于对神经网络进行训练，验证集用于在神经网络训练的同时监控网络的训练进程。在训练初始阶段，验证集形成的验证误差通常会随着网络训练误差的减小而减小，但是当网络开始进入“过度训练”时，验证误差就会逐渐增大，当验证误差增大到一定程度时，网络训练就会提前停止，这时训练函数会返回当验证误差取最小值时的网络对象。
参考文献：
[1]Recknagel F.et al.Modeling and prediction of phyto and zooplankton dynamics in Lake Kasumigaura by artificial neural https://www.wendangku.net/doc/fb11997212.html,kes&Reservoirs:Research and Managemen t.1998,3(2):123-133.
[2]卢新卫.基于人工神经网络的水质污染综合评价方法[J].工程勘察,1997(6):25-27.
[3]Joseph H.W.Lee,Yan Huang,Mike Dickman,A.W.Jayawardena.Neural network modelling of coastal algal blooms.Ecological Modeling.2003,159(2-3):179-201.
[4]Tung-Chueng Chang,Ru-Jen Chao.Application of back-propagation networks in debris ? ow prediction.Engineering Geology.2006,21(3-4):270-280.
[5]许东,吴铮.基于MATLAB6.x的系统分析与设计——神经网络(第二版)[M].西安电子科技大学出版社,2002.[6]Vandenberghe,V.,Bauwens,W.,Vanrolleghem,P.A.Evaluation of uncertainty propagation into river water quality predictions to guide future monitoring campaigns.Environmental Modelling&Software.2007,22(5):725-732.
作者简介：
邹劲松（1975—），男，重庆人，讲师，主要研究方向：水利信息化技术。
徐伟刚（1962—），男，重庆人，副教授，主要研究方向：水利信息化技术。
图2 神经网络预测模型的结构示意图